Modal Sandboxes：GPU 沙箱與沙箱作為獨立產品線

🌏 English version

本文定位

這篇是沙箱系列的「雲端深入篇」（order 12），聚焦 Modal Sandboxes。Modal 是 2026 年沙箱市場最受關注的供應商之一，其沙箱產品單獨貢獻約 $300M–$3.3 億美元年化運營率，並支援超過 30 億次累計執行與 100 萬個並行沙箱。

本文涵蓋：

1. Modal Sandboxes 的架構 —— 控制面、執行面、隔離技術
2. GPU 沙箱支援 —— 為什麼 GPU 沙箱是 Modal 的差異化優勢
3. 定價模式 —— wall-clock 計費、無 idle 計費、GPU 費用
4. 與其他供應商的取捨 —— E2B、Daytona、Vercel、Cloudflare 比較
5. 商業化啟示 —— 沙箱如何從功能變成獨立產品線

---

Modal Sandboxes 架構

Modal Sandboxes 採用三層架構：

┌─────────────────────────────────────┐
│           控制面 (Control Plane)      │
│  - Modal Worker 调度器                │
│  - 沙箱生命週期管理                   │
│  - 快照與暫停/恢復                    │
└─────────────────────────────────────┘
           │
┌─────────────────────────────────────┐
│           執行面 (Execution Plane)      │
│  - Cloud Hypervisor microVM           │
│  - gVisor 隔離（預設）                │
│  - VM 執行模式（可選）                │
└─────────────────────────────────────┘
           │
┌─────────────────────────────────────┐
│           資料面 (Data Plane)         │
│  - 持久磁碟（Volumes）                │
│  - 記憶體快照                         │
│  - 網路策略                           │
└─────────────────────────────────────┘

隔離技術

Modal 預設使用 gVisor 進行 syscall 攔截，提供中等強度的隔離；對於需要更強隔離的工作負載，可選用 microVM 執行模式（基於 Cloud Hypervisor）。GPU 沙箱僅支援 gVisor 隔離。

沙箱生命週期

1. 建立：從鏡像（OCI container）啟動沙箱，冷啟動約秒級
2. 執行：透過 SDK 發送指令，串流輸出結果
3. 暫停 (pause)：保留記憶體與行程狀態，釋放 CPU
4. 恢復 (resume)：從暫停狀態繼續執行
5. 快照 (snapshot)：將磁碟狀態保存為可重用的快照
6. 銷毀：釋放所有資源

---

GPU 沙箱支援：Modal 的差異化優勢

Modal 的一個主要差異化優勢是 GPU 沙箱。大多數沙箱供應商（E2B、Daytona、Vercel、Cloudflare）不支援 GPU，或 GPU 支援有限。Modal 允許沙箱掛載 NVIDIA GPU（T4 至 H100），讓 agent 可以在沙箱內執行 ML 推理、訓練或資料處理。

GPU 沙箱用途

用途	說明
ML 推理	Agent 生成的程式碼需要執行模型推理
資料處理	大規模資料清洗與轉換
模型微調	小規模模型訓練與調優
電腦視覺	圖像與影片處理

GPU 沙箱範例

import modal

app = modal.App("agent-sandbox-gpu")

@app.function(
    image=modal.Image.debian_slim().pip_install("torch", "transformers"),
    gpu="A100",
    sandbox=True,
)
def run_agent_code(code: str):
    result = subprocess.run(["python", "-c", code], capture_output=True, text=True)
    return result.stdout

---

定價模式

Modal 採用 wall-clock 計費，但 無 idle 計費 —— 沙箱暫停後不計算費用。這對突發性互動式 agent 非常有利。

項目	費率	說明
CPU	$0.00003942 / core-s	每秒計費
記憶體	$0.00000672 / GiB-s	每秒計費
GPU	視型號而定	A100、H100 等
網路	視出口流量	按 GB 計費
快取	視儲存大小	按 GB-月計費

與 E2B/Daytona 的 wall-clock 計費相比，Modal 的無 idle 計費對「短執行、長等待」的場景更有利。

---

與其他供應商的取捨

供應商	GPU 支援	隔離技術	冷啟動	定價模式	最適合
Modal	✅ (A100/H100)	gVisor / microVM	sub-second	wall-clock (無 idle)	GPU 工作負載、大規模併發
E2B	❌	Firecracker microVM	~150 ms	wall-clock	Coding agent、長任務
Daytona	❌	Docker / Kata	~90 ms	wall-clock	平行評測、快照分支
Vercel	❌	Firecracker microVM	~1.8 s	active-CPU	Vercel 生態整合
Cloudflare	❌	Container in VM	~2–3 s	active-CPU (10ms)	Cloudflare 生態

選擇 Modal 的條件：需要 GPU、需要大規模併發、需要無 idle 計費、已在 Modal 生態上。

不選擇 Modal 的條件：不需要 GPU、希望開源自建、需要 Windows 沙箱（Daytona 支援）、已深度綁定其他雲端生態。

---

商業化啟示

Modal 沙箱的成功說明沙箱已經從「功能」變成「獨立商業產品」：

1. 單一產品線可達 $300M+ ARR：沙箱不再是附屬功能，而是獨立的商業市場。
2. GPU 是差異化關鍵：在沙箱市場中，GPU 支援是高價差異化因素。
3. 無 idle 計費是賣點：對突發性 agent 工作負載，這是強大的競爭優勢。
4. 生態整合很重要：與推理、訓練、批次處理在同一平台，降低切換成本。

---

讀完本文你應該理解

1. Modal Sandboxes 的三層架構與隔離技術（gVisor / microVM）。
2. GPU 沙箱是 Modal 的差異化優勢，適用於 ML 推理與資料處理。
3. Modal 的定價模式：wall-clock 計費、無 idle 計費、GPU 費用。
4. 與 E2B、Daytona、Vercel、Cloudflare 的取捨。
5. 沙箱商業化的啟示：單一產品線可達 $300M+ ARR，GPU 與生態整合是關鍵。

---

參考資料

• Modal Sandboxes Documentation
• Modal Crosses $1B Annualized Run Rate and Raises $750M Series D
• Modal's Series C: Raising $355M at a $4.65B Valuation
• Modal Labs Revenue, Valuation & Funding
• Tech Times: Modal Labs Sandboxes Hits $300M Run Rate
• 本站：沙箱系列導讀（order 0）
• 本站：雲端產品全景與選型矩陣（order 7）
• 本站：沙箱作為獨立商業產品（order 27）